本发明属于新能源电力,特别是涉及到一种基于迁移学习的大风时段区域风电功率预测方法及系统。
背景技术:
1、随着新能源发电的大力发展,风电场站并网容量迅速增加。准确有效地对区域内风电场站出力进行预测,可以协助电力系统调度人员做出精准有效的决策,维持电网平衡。在风电区域短期预测中,每当出现风力过大导致风机脱网停运、无法发电的情况时,就会对风电场的发电稳定性和电网安全造成非常大的冲击。现有的大风风电区域短期预测,仅依托于数值天气预报的结果,将预报结果与风机脱网停运的物理因素作为判断风机是否停运的硬指标,结果往往会产生较大偏差。尤其是在整个区域内风力都很大的时候,如果出现大面积的风机脱网停运、无法发电,而短期预测结果没有提前预测出这个情况,会对电力调度、电网安全造成非常严重的后果。
2、现有技术仅依托于数值天气预报的结果,而目前的数值天气预报在小尺度、具体到风机级别的预报有很大的不确定性。这种不确定性对单场站级别的风电出力预测影响较小,但是对于电网区域级别的风电出力预测影响非常大,直接威胁到电网的安全和平衡。而在现有的科技水平支持下,提升数值天气预报在小尺度、具体到风机级别的预报上的气象要素预报准确性是十分困难的。另一方面,受到发生次数少,观测数据不足的影响,直接使用大风时段数据建立大风预测模型效果也往往不尽如人意,因此需要寻找其他手段,来提升在大风时段,风机是否脱网停运的预测准确性。
技术实现思路
1、本发明针对大风条件下的风电出力情况进行区域整体功率预测,可以通过区域整体分析来提升在大风条件下风电出力区域整体预测的稳定性和准确性,降低大风发生脱网停运的地区的不确定性。
2、为达到上述目的,本发明的技术方案是这样实现的:
3、一种基于迁移学习的大风时段区域风电功率预测方法,包括:
4、s1、依据区域内每个场站的风机大风脱网物理指标,以及风速-功率散点图,在区域内风电实际发电数据中进行筛选,选取非大风时段的区域风电实际发电功率数据;
5、s2、采用神经网络进行模型训练,作为大风时段区域风电功率预测的预训练模型;所述模型训练采用筛选出的非大风时段的区域风电实际发电功率数据为目标数据,选用同时间段的区域内各场站的预测气象数据为模型输入参数;
6、s3、选用大风时段的区域内各场站的预测气象数据,采用迁移学习的方法,对所述预训练模型进行神经网络内的参数微调,得到迁移后的大风时段的区域内风电出力预测模型;
7、s4、使用步骤s3中得到的迁移后的大风时段的区域内风电出力预测模型,以及未来时段的区域内各场站的预测气象数据,进行未来时段的区域内大风风电出力预测。
8、进一步的,步骤s2中,所述预测气象数据包括风速、风向、温度、湿度、压强。
9、进一步的,步骤s3具体包括:
10、s301、将所述预训练模型的前层保持不变,调整预训练模型的最后一层的参数,所述参数包括权重、神经元;
11、s302、将大风时段的区域内各场站的预测气象数据输入到预训练模型中,结合大风时段的风电出力特性,调整预训练模型最后一层中的超参数,使得输出的预测功率与实际功率的偏差最小,从而得到大风时段的最优模型参数;
12、s303、将大风时段的最优模型参数应用在预训练模型的最后一层,得到迁移后的大风时段的区域内风电出力预测模型。
13、更进一步的,步骤s302中,所述超参数的调整方法为:将预训练模型最后一层中的学习率减小、优化器改为小批量梯度下降法、损失函数变为单点偏差,同时增加正则化限制。
14、本发明另一方面还提供了一种基于迁移学习的大风时段区域风电功率预测系统,包括:
15、筛选模块:依据区域内每个场站的风机大风脱网物理指标,以及风速-功率散点图,在区域内风电实际发电数据中进行筛选,选取非大风时段的区域风电实际发电功率数据;
16、模型模块:采用神经网络进行模型训练,作为大风时段区域风电功率预测的预训练模型;所述模型训练采用筛选出的非大风时段的区域风电实际发电功率数据为目标数据,选用同时间段的区域内各场站的预测气象数据为模型输入参数;
17、微调模块:选用大风时段的区域内各场站的预测气象数据,采用迁移学习的方法,对所述预训练模型进行神经网络内的参数微调,得到迁移后的大风时段的区域内风电出力预测模型;
18、预测模块:使用步骤s3中得到的迁移后的大风时段的区域内风电出力预测模型,以及未来时段的区域内各场站的预测气象数据,进行未来时段的区域内大风风电出力预测。
19、进一步的,所述模型模块中,所述预测气象数据包括风速、风向、温度、湿度、压强。
20、进一步的,所述微调模块包括:
21、参数调整单元:将所述预训练模型的前层保持不变,调整预训练模型的最后一层的参数,所述参数包括权重、神经元;
22、超参数调整单元:将大风时段的区域内各场站的预测气象数据输入到预训练模型中,结合大风时段的风电出力特性,调整预训练模型最后一层中的超参数,使得输出的预测功率与实际功率的偏差最小,从而得到大风时段的最优模型参数;
23、模型单元:将大风时段的最优模型参数应用在预训练模型的最后一层,得到迁移后的大风时段的区域内风电出力预测模型。
24、更进一步的,所述超参数调整单元将预训练模型最后一层中的学习率减小、优化器改为小批量梯度下降法、损失函数变为单点偏差,同时增加正则化限制。
25、与现有技术相比,本发明具有如下的有益效果:
26、1、本发明通过对非大风时段的数据进行分析、预训练建模,可以将该模型应用到大风时段的区域风电出力预测,有效缓解小尺度气象要素预测的不确定性和数据量不足的“小样本”数据带来的建模偏差产生的大风时段出力预测不稳定的情况。
27、2、本发明采用迁移学习的概念,可以保证样本数据的数量,有效提升大风风电区域短期预测的预测精度。
1.一种基于迁移学习的大风时段区域风电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于迁移学习的大风时段区域风电功率预测方法,其特征在于,步骤s2中,所述预测气象数据包括风速、风向、温度、湿度、压强。
3.根据权利要求1所述的基于迁移学习的大风时段区域风电功率预测方法,其特征在于,步骤s3具体包括:
4.根据权利要求3所述的基于迁移学习的大风时段区域风电功率预测方法,其特征在于,步骤s302中,所述超参数的调整方法为:将预训练模型最后一层中的学习率减小、优化器改为小批量梯度下降法、损失函数变为单点偏差,同时增加正则化限制。
5.一种基于迁移学习的大风时段区域风电功率预测系统,其特征在于,包括:
6.根据权利要求5所述的基于迁移学习的大风时段区域风电功率预测系统,其特征在于,所述模型模块中,所述预测气象数据包括风速、风向、温度、湿度、压强。
7.根据权利要求5所述的基于迁移学习的大风时段区域风电功率预测系统,其特征在于,所述微调模块包括:
8.根据权利要求7所述的基于迁移学习的大风时段区域风电功率预测系统,其特征在于,所述超参数调整单元将预训练模型最后一层中的学习率减小、优化器改为小批量梯度下降法、损失函数变为单点偏差,同时增加正则化限制。